A gépi tanulás javítja a gliomamutációk korai felismerését
Utolsó ellenőrzés: 14.06.2024
Minden iLive-tartalmat orvosi szempontból felülvizsgáltak vagy tényszerűen ellenőriznek, hogy a lehető legtöbb tényszerű pontosságot biztosítsák.
Szigorú beszerzési iránymutatásunk van, és csak a jó hírű média oldalakhoz, az akadémiai kutatóintézetekhez és, ha lehetséges, orvosilag felülvizsgált tanulmányokhoz kapcsolódik. Ne feledje, hogy a zárójelben ([1], [2] stb.) Szereplő számok ezekre a tanulmányokra kattintható linkek.
Ha úgy érzi, hogy a tartalom bármely pontatlan, elavult vagy más módon megkérdőjelezhető, jelölje ki, és nyomja meg a Ctrl + Enter billentyűt.
A gépi tanulási (ML) módszerek gyorsan és pontosan diagnosztizálhatják a gliómák – elsődleges agydaganatok – mutációit.
Ezt a Karl Landsteiner Orvostudományi Egyetem (KL Krems) nemrégiben végzett tanulmánya is megerősíti. Ebben a vizsgálatban a fiziometabolikus mágneses rezonancia képalkotás (MRI) adatait ML módszerekkel elemezték a metabolikus gén mutációinak azonosítására. Ennek a génnek a mutációi jelentős hatással vannak a betegség lefolyására, és a korai diagnózis fontos a kezelés szempontjából. A tanulmány azt is megmutatja, hogy jelenleg ellentmondásos szabványok léteznek a fiziometabolikus MR-képek készítésére, ami akadályozza a módszer rutinszerű klinikai használatát.
A gliomák a leggyakoribb elsődleges agydaganatok. A még mindig rossz prognózis ellenére a személyre szabott terápiák jelentősen javíthatják a kezelés sikerét. Az ilyen fejlett terápiák alkalmazása azonban egyedi tumoradatokon alapul, amelyeket nehéz beszerezni a gliómák esetében az agyban való elhelyezkedésük miatt. A képalkotó technikák, például a mágneses rezonancia képalkotás (MRI) nyújthatnak ilyen adatokat, de elemzésük összetett, munkaigényes és időigényes. A St. Pölteni Egyetemi Kórház Diagnosztikai Orvosi Radiológiai Központja, a KL Krems oktató- és kutatóbázisa évek óta fejleszt gépi és mély tanulási módszereket az ilyen elemzések automatizálására és a rutin klinikai műveletekbe történő integrálására. Most újabb áttörést értek el.
"Azoknak a betegeknek, akiknek glióma sejtjei az izocitrát-dehidrogenáz (IDH) gén mutáns formáját hordozzák, valójában jobb klinikai kilátásokkal rendelkeznek, mint a vad típusban szenvedők" - magyarázza Andreas Stadlbauer professzor, a Központi Intézet orvosfizikusa. "Ez azt jelenti, hogy minél hamarabb ismerjük meg a mutáció állapotát, annál jobban tudjuk személyre szabni a kezelést." Ebben segítenek a mutált és a vad típusú daganatok energiaanyagcseréjének különbségei. Stadlbauer professzor csapatának korábbi munkájának köszönhetően ezek könnyen mérhetők fiziometabolikus MRI segítségével, akár szövetminták nélkül is. Az adatok elemzése és értékelése azonban nagyon összetett és időigényes folyamat, amelyet nehéz beépíteni a klinikai gyakorlatba, különösen azért, mert a betegek rossz prognózisa miatt gyorsan kell eredményeket elérni.
A jelenlegi vizsgálatban a csapat ML-módszereket használt az adatok elemzésére és értelmezésére, hogy gyorsabban érje el az eredményeket, és hogy megfelelő kezelési lépéseket kezdeményezhessen. De mennyire pontosak az eredmények? Ennek értékelésére a tanulmány először a St. Pölten Egyetemi Kórház 182 betegének adatait használta fel, akiknek MRI-adatait szabványosított protokollok segítségével gyűjtötték össze.
„Amikor láttuk az ML algoritmusaink értékelési eredményeit – magyarázza Stadlbauer professzor –, nagyon örültünk. 91,7%-os és 87,5%-os pontosságot értünk el a vad típusú gént tartalmazó daganatok és a mutált formájú daganatok megkülönböztetésében. Ezután összehasonlítottuk ezeket az értékeket a klasszikus klinikai MRI-adatok ML-elemzésével, és sikerült kimutatnunk, hogy a fiziometabolikus MRI-adatok alapként történő felhasználása lényegesen jobb eredményeket hozott.”
Ez a fölény azonban csak a St. Pöltenben gyűjtött adatok szabványosított protokollal történő elemzése során maradt fenn. Nem ez volt a helyzet, amikor az ML módszert külső adatokra, azaz más kórházi adatbázisokból származó MRI adatokra alkalmazták. Ebben a helyzetben a klasszikus klinikai MRI adatokon kiképzett ML módszer volt sikeresebb.
Az ok, amiért a fiziometabolikus MRI adatok ML segítségével végzett elemzése rosszabbul teljesített, az az, hogy a technológia még fiatal és a fejlesztés kísérleti szakaszában van. Az adatgyűjtési módszerek továbbra is kórházról kórházra változnak, ami torzításhoz vezet az ML elemzésben.
A tudós számára a probléma „csak” a szabványosítás, amely elkerülhetetlenül felmerül majd a fiziometabolikus MRI-nek a különböző kórházakban történő egyre gyakoribb használatával. Maga a módszer – a fiziometabolikus MRI adatok gyors értékelése ML módszerekkel – kiváló eredményeket mutatott. Ezért ez egy kiváló megközelítés a gliómás betegek IDH mutációs státuszának preoperatív meghatározására és a kezelési lehetőségek egyénre szabására.
A vizsgálat eredményeit a Karl Landsteiner Egyetem Egészségtudományi Egyeteme (KL Krems) című folyóiratban tették közzé.